用最大最小标准化方法对疲劳指标进行归一化，根据可靠性不同设置权重的代码

以下是用最大最小标准化方法对疲劳指标进行归一化，并根据可靠性不同设置权重的Python代码示例：

import numpy as np

# 假设有3个疲劳指标，分别是x1、x2、x3
x1 = np.array([1, 2, 3, 4, 5])
x2 = np.array([10, 20, 30, 40, 50])
x3 = np.array([100, 200, 300, 400, 500])

# 对疲劳指标进行最大最小标准化
x1_norm = (x1 - x1.min()) / (x1.max() - x1.min())
x2_norm = (x2 - x2.min()) / (x2.max() - x2.min())
x3_norm = (x3 - x3.min()) / (x3.max() - x3.min())

# 假设可靠性分别为0.7、0.8、0.9，根据可靠性不同设置权重
w1 = 0.7
w2 = 0.8
w3 = 0.9

# 计算加权和
weighted_sum = w1 * x1_norm + w2 * x2_norm + w3 * x3_norm

# 输出加权和
print(weighted_sum)

其中，`x1_norm`、`x2_norm`、`x3_norm`分别是进行最大最小标准化后的疲劳指标，`w1`、`w2`、`w3`分别是可靠性权重，`weighted_sum`是加权和。根据不同的可靠性，可以设置不同的权重，以更准确地反映疲劳指标的重要程度。